基于小波一阶灰度矩向量和神经网络的旋转机械故障诊断的研究

２０１１年１１月　机床与液压　Ｎｏｖ．２０１１　第３９卷第２１期　ＭＡＣＨＩＮＥ　ＴＯＯＬ＆ＨＹＤＲＡＵＬＩＣＳ　Ｖｏ１．３９　Ｎｏ．２１　ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．１００１—３８８１．２０１　１．２１．０４４　基于小波一阶灰度矩向量和神经网络的旋转机械故障诊断的研究　苏厚军，杨涛，史铁林，黄树红，杨家军　（华中科技大学，湖北武汉４３００７４）　摘要：在旋转机械轴系振动故障模拟试验的基础上，对大量故障模拟试验数据进行计算，建立了典型故障的小波一阶　灰度矩向量样本，将其作为概率神经网络的输入进行故障诊断研究。结果表明，基于一阶灰度矩向量的概率神经网络可实　现对训练样本１００％的正确识别率，对“陌生”样本的正确识别率也超过７５％。可见，概率神经网络综合了Ｂａｙｅｓ分类器　和神经网络的优势，利用概率神经网络融合信号的一阶灰度矩向量特征实现旋转机械轴系故障模式识别是一种可行有效的　方法。　关键词：故障诊断；小波分析；一阶灰度矩向量；概率神经网络　中图分类号：Ｕ２２６．８＋１　文献标识码：Ａ　文章编号：１００１—３８８１（２０１１）２１—１５３—３　Ｔｈｅ　Ｒｅｓｅａｒｃｈ　ｏｎ　Ｆａｕｌｔ　Ｄｉａｇｎｏｓｉｓ　ｆｏｒ　Ｒｏｔａｔｉｎｇ　Ｍａｃｈｉｎｅｒｙ　Ｂａｓｅｄ　ｏｎ　ｖｅｌｅｔ　Ｇｒａｙ　Ｍｏｍｅｎｔ　Ｖｅｃｔｏｒ　ａｎｄ　Ｐｒｏｂａｂｉｌｉｔｙ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ　ＳＵ　Ｈｏｕｊｕｎ，ＹＡＮＧ　Ｔａｏ，ＳＨＩ　Ｔｉｅｌｉｎ，ＨＵＡＮＧ　Ｓｈｕｈｏｎｇ，ＹＡＮＧ　Ｊｉａｊｕｎ　（Ｈｕａｚｈｏｎｇ　Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｔｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ　Ｈｕｂｅｉ　４３００７４，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ：Ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｆａｕｌｔｙ　ｓｉｍｕｌａｔｉｏｎ　ｅｘｐｅｒｉｍｅｎｔ　ｏｎ　ｖｉｂｒａｔｉｏｎ　ｆｒｏｍ　ｏｕｒ　ｒｏｔｏｒ　ｔｅｓｔ　ｒｉｇ，ｔｈｅ　ｌａｒｇｅ　ａｍｏｕｎｔ　ｏｆ　ｆａｕｌｔｙ　ｓｉｍｕｌａｔｉｏｎ　ｅｘ－　ｐｅｒｉｍｅｎｔ　ｄａｔａ　ｗｅｒｅ　ｃＭｃｄａｔｅｄ，ａｎｄ　ｔｈｅ　ｓａｍｐｌｅ　ｏｆ　ｗａｖｅｌｅｔ　ｇｒａｙ　ｍｏｍｅｎｔ　ｖｅｃｔｏｒ　ｏｆ　ｔｙｐｉｃａｌ　ｆａｕｌｔ　ｗａｓ　ｂｕｉｌｔ．Ａｓ　ｉｔｓ　ｉｎｐｕｔ　ｔｏ　ｔｈｅ　Ｐｒｏｂａｂｉｌｉｔｙ　Ｎｅｕｒｌａ　Ｎｅｔ啪ｒｋｓ（ＰＮＮ），ｔｈｅ　ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　Ｗａｓ　ｒｅｓｅａｒｃｈｅｄ．Ｔｈｅ　ｒｅｓｕｌｔ　ｓｈｏｗｓ　ｔｈａｔ　ｔｈｅ　ｃｌｓａｓｉｆｉｃａｔｉｏｎ　ａｃｃｕｒａｃｙ　ｏｆ　１００％ｆｏｒ　ｔｒａｉｎｉｎｇ　ｄａｔａ　ｉｓ　ｒｅａｌｉｚｅｄ　ｂｙ　ｔｈｅ　ＰＮＮ，ｈａｓ　ｇｏｏｄ　ｃｌａｓｓｉｆｉｃａｔｉｏｎ　ａｂｉｌｉｔｙ　ｏｆ　ｔｙｐｉｃａｌ　ｖｉｂｒａｔｉｏｎ　ｆａｕｌｔｓ　ｏｆ　ｒｏｔａｔｉｎｇ　ｍａｃｈｉｎｅｒｙ，ａｎｄ　ｗｉｔｈ　７５％ｆｏｒ　ｆｒｅｓｈ　ｄａ－　ｔａ　ｂａｓｅｄ　ｏｎ　ｔｈｅ　ｗａｖｅｌｅｔ　ｇｒａｙ　ｍｏｍｅｎｔ　ｖｅｃｔｏｒ．Ｓｏ　ｉｔ　Ｃａｎ　ｂｅ　ｄｅｄｕｃｅｄ　ｔｈａｔ　ＰＮＮ　ｈａｓ　ｉｎｔｅｇｒａｔｅｄ　ａｄｖａｎｔａｇｅｓ　ｏｆ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ　ａｎｄ　Ｂａｙｅｓ　ｃｌａｓｓｉｉｆｅｒ，ａｎｄ　ｉｔ　ｉｓ　ａ　ｐｒａｃｔｉｃａｌ　ｄｉａｇｎｏｓｉｓ　ｍｅｔｈｏｄ　ｆｏｒ　ｔｙｐｉｃａｌ　ｆａｕｌｔ　ｉｄｅｎｔｉｉｆｃａｔｉｏｎ　ｏｆ　ｒｏｔａｔｉｎｇ　ｍａｃｈｉｎｅｒｙ　ｂｙ　ｕｓｉｎｇ　ｉｎｔｅｇｒａｔｅｄ　ｓｉｎｇａｌｓ　ｏｆ　ＰＮＮ　ｉｗｔｈ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ｔｈｅ　ｗａｖｅｌｅｔ　ｇｒａｙ　ｍｏｍｅｎｔ　ｖｅｃｔｏｒ．　Ｋｅｙｗｏｒｄｓ：Ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ；Ｗａｖｅｌｅｔ　ａｎａｌｙｓｉｓ；Ｗａｖｅｌｅｔ　ｇｒａｙ　ｍｏｍｅｎｔ　ｖｅｃｔｏｒ；Ｐｒｏｂａｂｉｌｉｔｙ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋｓ　目前，小波理论已经被广泛应用于故障诊断领　１故障模拟试验　域，但是很少有人能够提出利用小波进行定量故障诊　转子试验台根据所模拟的故障类型布置为双跨，　断的方法　。文献［６］在对小波系数进行分析时，　两轴通过刚性联轴器连接。电机与轴之间则采用挠性　提出了以一阶“灰度矩”为定量特征对典型故障进　联轴器连接。每跨轴长３２５　ｍｍ，轴径８　ｍｌｎ，可在其　行识别，可较好地表征机械振动信号的特征，是一种　上装１～３个直径７０　ｍｌｎ、厚度１２　ｍｌｎ的轮盘。支持　很有意义的尝试。但是文献［６］的计算结果不是很　轴承为滑动轴承（油膜振荡试验时为油膜轴承）。转　理想，某些故障的灰度矩出现重叠现象。文献［７］　子采用直流电机驱动，转速输出范围为０～１２　０００　对灰度矩进行了进一步的研究，把灰度图按尺度划　ｒ／ｍｉｎ。试验台示意图见图１。　分，对不同尺度区域分别计算相应的灰度矩，利用各　区域灰度矩构成的灰度矩向量来表征灰度图，并考虑　转速的影响，比较好地实现了对几种典型故障的识　别。但是小波灰度矩向量给出的是对故障特征规律的　定性描述，违背了灰度矩概念提出的初衷——定量故　障诊断，不利于实现机械设备的现场诊断。为此，作　者提出采用概率神经网络方法对小波灰度矩向量进行　ｌ一电动机２一联轴器３一键相传感器４一轴承５一涡流传感器　６一转盘７一轴　融合，实现对振动故障的定量识别。研究表明，利用　概率神经网络融合信号的小波灰度矩向量特征实现旋　图１故障模拟转子试验台　转机械轴系故障模式识别是一种可行有效的方法。　转子试验台的基本组成包括：基座、电动机、轴　收稿日期：２０１０—１０—１３　作者简介：苏厚军（１９７０一），男，博士研究生，研究方向为设备状态监测和故障诊断。Ｅ—ｍａｉｌ：ｈｕａｇｏｎｇｄａｓｈｊ＠１６３．ｃｏｒｎ。　・１５４・　机床与液压　第３９卷　承、联轴器、轮盘等。传感器有两类：电涡流传感器　划为ｍ个区域，令ｓ＝Ｎ／ｍ，则各区域均为ｓ　Ｘ　５１２矩　和光电传感器，涡流传感器用于测量转子的振幅，光　阵。　电传感器用于测量转子的转速和相位。　（５）按式（１）对以上ｍ个区域分别计算一阶矩　在上述试验台上对６种常见的转子轴系振动故　ｇ¨（ｉ＝１，２，…，ｍ），各区域一阶矩可构成相应故障的　障：转子不平衡、转子不对中、油膜振荡、轴裂纹、　一阶灰度矩向量Ｇ。，即Ｇ。＝［ｇＩ．１，ｇ　．２＇…，ｇｌｌｍ］。　支座松动、转子动静碰摩进行故障模拟试验。每种故　３基于概率神经网络的灰度矩向量融合研究　障的模拟都在转子的升速过程进行。升速范围的选择　概率神经网络是前馈网络的一种，由Ｄ　Ｆ　Ｓｐｅｃｈｔ　考虑两方面的因素：（１）所模拟的故障征兆是否出　于２０世纪９０年代初提出。ＰＮＮ是基于密度函数估计　现，若故障未出现或不明显，则继续升速过程；（２）　和贝叶斯决策理论而建立的一种分类网络　。ＰＮＮ　由转子的试验条件决定，即当振动幅值超过一定的标　由平滑参数　，隐层神经元个数，隐中心矢量等要素　准（若继续升速则有可能出现事故），此时停止该组　确定。ＰＮＮ的拓扑结构简单，容易设计算法，广泛　试验。为了对试验的可重复性进行验证，每个故障方　应用于模式识别及模式分类领域。　案均进行了２组以上的升速试验。对振动数据的采　它是一种基于Ｂａｙｅｓ分类规则与Ｐａｒｚｅｎ窗的概率　集，采用同步整周期采样方式，采样频率为３２倍基　密度函数方法的一种并行算法。基于最小错误率的　频，每条振动波形的采样点数为５１２。研究所用到的　Ｂａｙｅｓ分类器在性能上具有最佳的分类效果，但在实　各组故障数据的基本情况如表１所示。　际应用中存在很多困难。而神经网络最主要的特点在　表１　６种故障模拟试验信号基本情况　于良好的容错能力、分类能力、并行处理能力和自学　习能力。因此，综合Ｂａｙｅｓ分类器和神经网络的优势　的概率神经网络在实际应用中能够具有更好的综合分　类效果，已在图像识别、生物化学工程等领域得到了　较好的应用　“。　３．１　ＰＮＮ模型　与传统的ＢＰ网络相比，ＰＮＮ网络的主要优点　为：　２小波灰度矩向量　（１）训练速度快，由于ＰＮＮ一次完成，无学习　文献［６］定义了小波灰度图的灰度矩。设口　是　过程，因而大约比ＢＰ网络快５个数量级；　故障信号进行连续小波变换后得到的ｍ　Ｘ／７，阶系数矩　（２）无论分类问题多么复杂，只要有足够的训　阵，灰度矩ｇ　定义为　练数据，ＰＮＮ能够保证获得贝叶斯准则下的最优解；　ｇ　＝　薹　ｋ　＝Ｔ　（１）　（３）允许增加或减少训练数据而不需要重新进　行长时间的训练。　式（１）中的权值　（ｉ一１）。＋（　一１）　表示元素　与　概率神经网络结构如图２所示。网络共分４层，　元素ｏ　之间的“距离”，相当于灰度图中某一个像　分别为输入层、模式层、求和层及输出层。输入层将　素点（ｉ，　）与参考点（１，１）之间的几何长度。因　特征向量传递给网络；模式层计算输入特征向量与训　此，灰度矩ｇ　反映了灰度图中各象素灰度的分布情　练样本之间的欧氏距离，生成向量与阈值向量相乘，　况，可用来表征灰度图的特征。　结果经高斯型激活函数计算得到模式层的输出；在求　在此基础上，文献［７］提出了一阶灰度矩向量　和层，故障模式和神经元一一对应，这些神经元将对　的计算步骤：　应模式层的一组神经元输出求和，从而得到故障模式　（１）对采集到的故障信号进行归一化处理。假　的估计概率密度函数；输出层神经元是一种竞争神经　设该信号由５１２个离散点组成｛Ａ。，Ａ　，…，Ａ　：｝，　元，它接收从求和层输出的各类概率密度函数，按照　处理后的序列为｛　。，　：，…，　｝，其中，　＝　贝叶斯分类规则将输入向量分到具有最大后验概率密　Ａ　５１２　—√　　＝，满足互　＝１。　度的类别当中，即概率密度函数最大的那个神经元输　出为１，其他神经元的输出全为０。当故障样本的数　（２）对序列｛　，　：，…，　｝进行Ⅳ尺度连　量增加时，图２中模式层神经元将随之增加；而当故　续小波变换，得到Ｎ×５１２小波系数矩阵。　障模式多于２种时，则求和层神经元将增加。随着故　（３）对小波系数矩阵求绝对值。　障先验知识的积累，概率神经网络可以不断横向扩　（４）对小波系数矩阵沿尺度方向进行划分。若　展，故障诊断的能力将不断提高。　第２１期　苏厚军等：基于小波一阶灰度矩向量和神经网络的旋转机械故障诊断的研究　・１５５・　从表３可以看出，在部分样本情况下，ＰＮＮ网络　也具有很好的识别能力，正确识别率均超过７５％，　进一步说明了ＰＮＮ网络的具有很强的分类能力，是　对旋转机械振动故障进行定量诊断的有效措施。　（３）使用同一故障的２组实验数据，第一组作　输入层　模式层　求和层　输出层　为训练样本，第二组作为检测样本，以检测ＰＮＮ在　图２概率神经网络结构示意图　充足样本情况下的故障诊断能力。识别结果见表４。　３．２　ＰＮＮ的设计　表４　ＰＮＮ故障数据分类结果　为了实现对上述６种典型故障进行识别，设计了　对一阶灰度矩向量进行自动故障诊断的ＰＮＮ网络。　训练集为表１中对应的振动故障信号。网络结构同图　２，输入层１６个节点，输入向量为各样本对应的一阶　灰度矩向量。求和层的神经元个数为６，对应于６种　故障。输出层为１个节点，输出向量的取值范围为　１—６，分别对应于不平衡、不对中、油膜振荡、轴裂　纹、支座松动、动静碰摩６种故障。　３．３概率神经网络的应用　对比表４和表３可以看出，若采用全转速范围内　采用两个方案对网络进行测试验证。　的故障样本作为整个训练集，则可大大提高ＰＮＮ的　（１）训练样本为整个训练集，并以训练集作为　故障区分正确率，这表明如果故障样本数足够，则可　测试样本，检测ＰＮＮ网络的融合诊断效果。测试结　有效提高ＰＮＮ的故障诊断精度。　果见表２。　４结论　表２　ＰＮＮ测试样本分类结果　设备故障诊断过程实质是一个模式识别过程，它包　故障名称ＰＮＮ网络分类结果／％　括信号的特征提取和特征识别两个过程。作者结合小波　不平衡　一１００　阶灰度矩向量和概率神经网络，利用概率神经网络建　不对中　１０ｏ　立信号一阶灰度矩向量与故障类型的映射关系，从而实　油膜振荡　１００　现设备故障诊断。与采用频谱、轴心轨迹等作为输入　轴裂纹　ｌ００　的传统神经网络相比，采用小波一阶灰度矩向量作为　支座松动　１０ｏ　神经网络的输入向量，其最大的优点在于故障征兆可　动静碰摩　１０ｏ　以通过在线自动计算获取，不需要人工输入故障征兆　从表２可以看出，ＰＮＮ网络对训练样本的分类识　的置信度，省略人工交互的过程，避免了人为选取置　别能力达到了１００％，因此可以预见，利用概率神经网　信度不当带来的诊断误差，提高了诊断的准确度，为　络对旋转机械振动故障进行定量诊断是可行且有效的。　在线实时自动实现准确识别故障提供了有效的手段。　（２）为进一步对ＰＮＮ网络的识别效果进行验证，　参考文献：　随机取上述训练集中的一半训练样本对网络重新进行　【１】ＺＨＡＮＧ　Ｂｉｄｅ，ＳＵＮ　Ｃａｉｘｉｎ，ＯＵ　Ｊｉａｎ，Ａ　Ｎｅｗ　Ｍｅｔｈｏｄ　ｏｆ　Ｄｉ－　ａｇｎｏｓｉｎｇ　Ｔｕｒｂｏ－ｇｅｎｅｒａｔｏｒ’Ｓ　Ｖｉｂｒａｔｉｏｎ　Ｆａｕｌｔ　Ｂａｓｅｄ　ｏｎ　Ｆｕｚｚｙ　训练，而以另一半作为测试样本，以检测ＰＮＮ对网　Ｃｌｕｓｔｅｒｉｎｇ　Ａｎａｌｙｓｉｓ　ａｎｄ　Ｗａｖｅｌｅｔ　Ｐａｃｋｅｔｓ　Ｔｒａｎｓｆｏｒｍ［Ｊ］．　络未学习过的“陌生”样本的识别能力。识别结果　Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　Ｆｉｆｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｅｌｅｃ－　见表３。　ｔｒｉｃａｌ　Ｍａｃｈｉｎｅｓ　ａｎｄ　Ｓｙｓｔｅｍｓ．１，２００１：３３９—３４２．　表３　ＰＮＮ陌生数据分类结果　【２】ＰＲＹＧＵＮＯＶ　Ａ　Ｉ，ＬＥＤＥＮＥＶ　Ｓ　Ａ，ＢＥＬＯＬＩＰＥＴＳＫＹ　Ａ　Ｖ．　Ｄｅｌａｙ　Ｍａｐｓ　ａｓ　ａｎ　Ｅｆｉｆｃｉｅｎｃｙ　Ｔｏｏｌ　ｆｏｒ　ａ　Ｍａｃｈｉｎｅｒｙ　Ｖｉｂｒａｔｉｏｎ　Ａｎａｌｙｓｉｓ［Ｃ］／／１　ｓｔ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｃｏｎｔｒｏｌ　ｏｆ　Ｏｓｃｉｌｌａｔｉｏｎｓ　ａｎｄ　Ｃｈａｏｓ　Ｐｒｏｃｅｅｄｉｎｇｓ．２，１９９７：３３１—３３２．　【３】ＫＡＲＳＨＥＮＡＳ　Ａ　Ｍ，ＤＵＮＮＩＧＡＮ　Ｍ　Ｗ，ＷＩＬＬＩＡＭＳ　Ｂ　Ｗ．　Ｗａｖｅｌｅｔ　Ｐｏｗｅｒ　Ｓ￣ｃｔｒｕｍ　Ｓｍｏｏｔｈｉｎｇ　ｆｏｒ　Ｒａｎｄｏｍ　Ｖｉｂｒａｔｉｏｎ　Ｃｏｎｔｒｏｌ［Ｊ］．ＩＥＥＥ　Ｔｒｎａｓａｃｔｉｏｎｓ　ｏｎ　Ｉｎｄｕｓｔｒｉｌａ　Ｅｌｅｃｔｒｏｎｉｃｓ，　１９９９，４６：４６６—４６７．　（下转第１６１页）　第２１期　２００３：１０８—１１１．　王世明等：基于功率流的海洋潜浮标液压系统ＡＲＭＡ失效机理研究　・１６１・　【２８】王家宏，张仕海．基于时间序列与小波分析的船舶柴油　机故障诊断［Ｊ］．船舶工程，２００９，３１（３）：１５一ｌ７．　【２１】ＳＯＮＧ　Ｒ，ＳＥ　ＰＥＨＲＩ　Ｎ．Ｆａｕｌｔ　Ｄｅｔｅｃｔｉｏｎ　ａｎｄ　Ｉｓｏｌａｔｉｏｎ　ｉｎ　Ｆｌｕｉｄ　Ｄｉａｇｎｏｓｉｓ　Ｐｏｗｅｒ　Ｓｙｓｔｅｍｓ　Ｕｓｉｎｇ　ａ　Ｐａｒａｍｅｔｒｉｃ　Ｅｓｔｉ・－　【２９】ＷＡＮＧ　Ｗｅｎ．ｈｕａ，ＨＡＮ　Ｌｉ．Ｐａｒａｍｅｔｅｒ　Ｅｓｔｉｍａｔｉｏｎ　ｏｆ　Ｔｉｍｅ－　ｖａｒｙｉｎｇ　ＡＲＭＡ　Ｍｏｄｅｌ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｂｅｒｉｎｇ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，２００４（６）：１９—２５．　ｍａｔｉｏｎ　Ｍｅｔｈｏｄ［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　２００２　Ｃａｎａｄｉａｎ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｅｌｅｃｔｒｉｃａｌ＆Ｃｏｍｐｕｔｅｒ　Ｅｎｇｉｎｅｅｒｉｎｇ．Ｃａｎａ－　ｄｉａｎ，２０ｏ２：１４４—１４９．　【３Ｏ】ｕ　Ｔ　Ｙ，ＬＩＵ　Ｊ　Ｘ，ＺＨＡＮＧ　Ｔ．Ｖｉｂｒａｔｉｏｎａｌ　Ｐｏｗｅｒ　Ｆｌｏｗ　Ｃｈａｒ－　ａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　Ｃｉｒｃｕｌａｒ　Ｐｌａｔｅ　Ｓｔｒｕｃｔｕｒｅｓ　ｗｉｔｈ　Ｐｅｒｉｐｈｅｒａｌ　Ｓｕｒ—　【２２】ＶＥＬＡＹＵＤＨＡＭ　Ａ，ＫＲＩＳＨＮＡＭＵＲＴＨＹ　Ｒ，ＳＯＵＮＤＡＲＡＰＡＮ－　ＤＩＡＮ　Ｔ．Ｐｏｌｙｍｅｒｉｃ　Ｃｏｎ￣ｏｓｉｔｅ　Ｕｓｉｎｇ　Ｗａｖｅｌｅｔ　Ｐａｃｋｅｔ　Ｔｒａｍｆｏｒｍ　ｆａｃｅ　Ｃｒａｃｋ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ｓｏｕｎｄ　ａｎｄ　Ｖｉｂｒａｔｉｏｎ，２００４，２７６　［Ｊ］．Ｍａｔｅｉｒａｌｓ　Ｓｃｉｅｎｃｅ　ａｎｄ　Ｅｎｇｉｎｅｅｒｉｇｎ　Ａ，２Ｏ０５，４１２（１／２）：　（３／４／５）：１０８１—１０９１．　ｌ４１—１４５．　【３１】ＫＲＡＷＣＺＵＫ　Ｍ，ＰＡＬＡＣＺ　Ｍ，ＯＳＴＡＣＨＯＷＩＣＺ　Ｗ．ｗａｖｅ　【２３】ＷＩＴＯＳ　Ｆ，ＧＡＣＥＫ　Ｚ，ＰＡＤＵＣＨ　Ｐ．Ｄｅｃｏｍｐｏｓｉｔｉｏｎ　ｏｆ　Ｆｒｅ．　Ｐｒｏｐａｇａｔｉｏｎ　ｉｎ　Ｐｌａｔｅ　Ｓｔｒｕｃｔｕｒｅｓ　ｆｏｒ　Ｃｒａｃｋ　Ｄｅｔｅｃｔｉｏｎ［Ｊ］．　ｑｕｅｎｃｙ　Ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　Ａｃｏｕｓｔｉｃ　Ｅｍｉｓｓｉｏｎ　Ｓｉｇｎａｌｓ　ｆｏｒ　Ｆｉｎｉｔｅ　Ｅｌｅｍｅｎｔｓ　ｉｎ　Ａｎａｌｙｓｉｓ　ａｎｄ　Ｄｅｓｉｇｎ，２００４，４０（９／１０）：　Ｄｉｆｆｅｒｅｎｔ　Ｔｙｐｅｓ　ｏｆ　Ｐａｒｔｉａｌ　Ｄｉｓｃｈａｒｇｅｓ　Ｓｏｕｒｃｅｓ［Ｊ］．Ｊ　Ｐｈｙｓ　９９１—１００４．　ＩＶ　Ｆｒａｎｃｅ，２００６，１３７：１７９—１８４．　【３２】郭建明，傅碧宏，林爱明，等．焉耆盆地活动构造的遥感　【２４】ＷＡＲＲＥＮ　ＬＩＡＯ　Ｔ，ＴＩＮＧ　Ｃｈｉ．Ｆｅｎ，ＱＵ　Ｊ，ｅｔ　ａ１．Ａ　Ｗａｖｅ．　图像特征［Ｊ］．Ｓｅｉｓｍｏｌｏｇｙ　ａｎｄ　Ｇｅｏｌｏｇｙ，２００３，２５（２）：　１ｅｔ－ｂａｓｅｄ　Ｍｅｔｈｏｄｏｌｏｇｙ　ｆｏｒ　Ｇｒｉｎｄｉｎｇ　Ｗｈｅｅ１　Ｃｏｎｄｉｔｉｏｎ　Ｍｏ—　１９５—２０２．　ｎｉｔｏｒｉｎｇ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎｌａ　ｏｆ　Ｍａｃｈｉｎｅ　Ｔｏｏｌｓ　ａｎｄ　【３３】ＤＯＵＫＡ　Ｅ，ＬＯＵＴＲＩＤＩＳ　ｓ，ＴＲＯＣＨＩＤＩＳ　Ａ．Ｃｒａｃｋ　Ｉｄｅｎｔｉｉｆ－　Ｍａｎｕｆａｃｔｕｒｅ，２００７，４７（３／４）：５８０—５９２．　ｃａｔｉｏｎ　ｉｎ　Ｐｌａｔｅｓ　Ｕｓｉｎｇ　Ｗａｖｅｌｅｔ　Ａｎａ１）ｒｓｉｓ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　【２５】ＧＥＲＮＥＲＴ　Ｒ，ＪＯＨＮ　Ｐ．Ｃｏｍｐｕｔｅｒ　Ａｉｄｅｄ　Ｓｙｓｔｅｍｓ　Ｔｈｅｏｒｙ．　Ｓｏｕｎｄ　ｎａｄ　Ｖｉｂｒａｔｉｏｎ，２００４，２７０（１／２）：２７９—２９５．　ＥＵＲＯＣＡＳＴ＇９９［Ｃ］．Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　７ｔｈ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　【３４】ＡＴＨＩ　Ａ，ＡＧＨＡＫ０ｕｃＨＡＫ　Ａ．Ｐｒｅｄｉｃｔｉｏｎ　ｏｆ　Ｆａｔｉｇｕｅ　Ｃｒａｃｋ　Ｗｏｒｋｓｈｏｐ　ｏｎ　Ｃｏｍｐｕｔｅｒ　Ａｉｄｅｄ　Ｓｙｓｔｅｍｓ　Ｔｈｅｏｒｙ，２０００：２０１—　Ｇｒｏｗｔｈ　Ｒａｔｅ　ｉｎ　Ｗｅｌｄｅｄ　Ｔｕｂｕｌｒａ　Ｊｏｉｎｔｓ　Ｕｓｉｎｇ　Ｎｅｕｒａｌ　Ｎｅｔ—　２０８．　ｗｏｒｋ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ　Ｊｏｕｒｎａｌ　ｏｆ　Ｆａｔｉｇｕｅ，２００７，２９（２）：　【２６】朱伯康，刘增宏，刘仁清，等．ＡＲＧＯ剖面浮标压力测量　２６１—２７５．　误差问题剖析［Ｊ］．海洋技术，２００９（９）：２９—３３．　【３５】ＡＩ．［，ＥＧＯ　Ａｎｔｏｌｉｎｏ，ＧＩＬ　Ｊｏｓｅ　Ｆ，ＣＡＳＴＲＯ　Ｅｎｒｉｑｕｅ，ｅｔ　ａ１．　【２７】ＹＡＮＧ　Ｈｏｎｇｙｕ，ＭＡＴＨＥＷ　Ｊｏｓｅｐｈ，ＭＡ　Ｌｉｎ．Ｆａｕｌｔ　Ｄｉａｇｎｏｓｉｓ　Ｉｄｅｎｔｉｆｉｃａｔｉｏｎ　ｏｆ　Ｃｏａｔｉｎｇ　Ｄａｍａｇｅ　Ｐｒｏｃｅｓｓｅｓ　ｉｎ　Ｃｏｒｒｏｄｅｄ　ｏｆ　Ｒｏｉｌｉｎｇ　Ｅｌｅｍｅｎｔ　Ｂｅａｒｉｎｇｓ　Ｕｓｉｎｇ　Ｂａｓｉｓ　Ｐｕｒｓｕｉｔ［Ｊ］．Ｍｅ－　Ｇａｌｖａｎｉｚｅｄ　Ｓｔｅｅｌ　ｂｙ　Ａｃｏｕｓｔｉｃ　Ｅｍｉｓｓｉｏｎ　Ｗａｖｅｌｅｔ　Ａｎａｌｙｓｉｓ　ｃｈａｎｉｃａｌ　Ｓｙｓｔｅｍｓ　ａｎｄ　Ｓｉｓ￣ａ　Ｐｒｏｃｅｓｓｉｎｇ，２００５，１９：３４１—　［Ｊ］．Ｓｕｒｆａｃｅ　ａｎｄ　Ｃｏａｔｉｎｇｓ　Ｔｅｃｈｎｏｌｏｇｙ，２００７，２０１（８）：　３５６．　４７４３—４７５６．　（上接第１５５页）　ｗｏｒｋ，１９９０，３：１０９—１１８．　．【４】Ｇｏｅｂｅｌ　Ｋ．Ｄｉａｇｎｏｓｔｉｃ　Ｉｆｎｏｒｍａｔｉｏｎ　Ｆｕｓｉｏｎ　ｆｏｒ　Ｍａｎｕｆａｃｔｕｒｉｎｇ　【９】Ｐ　Ｐ　Ｒａｇｈｕ　Ｂ　Ｙｅｇｎａｎａｒａｙａｎａ．Ｓｕｐｅｒｖｉｓｅｄ　Ｔｅｘｔｕｒｅ　Ｃｌｓａｓｉｉｆ－　Ｐｒｏｃｅｓｓｅｓ［Ｃ］／／Ｐｒｏｃｅｅｄｉｎｇｓ　ｏｆ　ｔｈｅ　Ｓｅｃｏｎｄ　Ｉｎｔｅｒｎａｔｉｏｎａｌ　ｃａｔｉｏｎ　Ｕｓｉｎｇ　ａ　Ｐｒｏｂａｂｉｌｉｓｔｉｃ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ　ａｎｄ　Ｃｏｎｓｔｒａｉｎｔ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｉｎｆｏｒｍａｔｉｏｎ　Ｆｕｓｉｏｎ，１９９９：３３１—３３６．　Ｓａｔｉｓｆａｃｔｉｏｎ　Ｍｏｄｅｌ［Ｊ］．ＩＥＥＥ　Ｔｒｎａｓｏｎ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ，　【５】ＬＩＵ　Ｑ．Ａ　Ｃａｓｅ　Ｓｔｕｄｙ　ｏｎ　Ｍｕｌｔｉ．Ｓｅｎｓｏｒ　Ｄａｔａ　Ｆｕｓｉｏｎ　ｏｆｒ　Ｉｍ．　１９９８，９（３）：５１６—５２２．　ｂａｌｎａｃｅ　Ｄｉａｇｎｏｓｉｓ　ｏｆ　Ｒｏｔａｔｉｎｇ　Ｍａｃｈｉｎｅｒｙ［Ｊ］．Ａｒｔｉｉｆｃｉｌａ　Ｉｎ．　【１０】ＭＡＯ　Ｋ　Ｚ，ＴＡＮ　Ｋ　Ｃ．ＳＥＲ　Ｗ．Ｐｒｏｂａｂｉｌｉｓｔｉｃ　Ｎｅｕｒｌａ　Ｎｅｔ—　ｔｅｌｌｉｇｅｎｃｅ　ｆｏｒ　Ｅｎｇｉｎｅｅｒｉｎｇ　Ｄｅｓｉｇｎ，Ａｎａｌｙｓｉｓ　ａｎｄ　Ｍａｎｕｆａｃｔｕｒ－　ｗｏｒｋ　Ｓｔｒｕｃｔｕｒｅ　Ｄｅｒｔｅｒｍｉｎａｔｉｏｎ　ｆｏｒ　Ｐａｔｔｅｒｎ　Ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ｉｎｇ，２００１，１５：２０３—２１０．　［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ　ｏｎ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ，２０００，１１（４）：１００９　【６】ＨＯＵ　Ｊｉｎｇｈｏｎｇ，ＨＵＡＮＧ　Ｓｈｕｈｏｎｇ，ＳＨＥＮ　Ｔａｏ，ｅｔ　ａ１．Ｗａｖｅ　—１０１６．　ｌｅｔ・・Ｂａｓｅｄ　Ｑｕａｎｔｉｔａｔｉｖｅ　Ａｎａｌｙｓｉｓ　ｏｆ　Ｖｉｂｒａｔｉｏｎ　Ｓｉｎｇａｌ　ｏｆ　Ｒｏｔａ—　ｔｉｎｇ　Ｍａｃｈｉｎｅｒｙ［Ｊ］．Ｃｈｉｎｅｓｅ　Ｊｏｕｒｎｌａ　ｏｆ　Ｍｅｃｈａｎｉｃａｌ　Ｅｎｇｉ—　【ｌｌ】Ｋｌａｕｓ　Ｌ　Ｅ　Ｋａｉｓｅｒ，Ｓｔｅｆａｎ　Ｐａｎｎｉｅｌｕｅｓｃｕ．Ｕｓｉｎｇ　Ｐｒｏｂａｂｉｌｉｓｔｉｃ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋｓ　ｔｏ　Ｍｏｄｅｌ　ｔｈｅ　Ｔｏｘｉｃｉｔｙ　ｏｆ　Ｃｈｅｍｉｃａｌｓ　ｔｏ　ｔｈｅ　ｎｅｅｒｉｎｇ，２００４，４０：１３１—１３５．　【７】ＺＨＡＮＧ　Ｙａｎｐｉｎｇ，ＨＵＡＮＧ　Ｓｈｕｈｏｎｇ，ＨＯＵ　Ｊｉｎｇｈｏｎｇ，ｅｔ　ａ１．　Ｆａｔｈｅａｄ　Ｍｉｎｎｏｗ（Ｐｉｍｅｐｈａｌｅｓ　Ｐｒｏｍｅｌｓａ）：ａ　Ｓｔｕｄｙ　Ｂａｓｅｄ　Ｃｏｎｔｉｎｕｏｕｓ　Ｗａｖｅｌｅｔ　Ｇｒｅｙ　Ｍｏｍｅｎｔ　Ａｐｐｒｏａｃｈ　ｆｏｒ　Ｖｉｂｒａｔｉｏｎ　ｏｎ　８６５　Ｃｏｍｐｏｕｎｄｓ［Ｊ］．Ｃｈｅｍｏｓｐｈｅｒｅ，１９９９，３８（１４）：　Ａｎａｌｙｓｉｓ　ｏｆ　Ｒｏｔａｔｉｎｇ　Ｍａｃｈｉｎｅｙｒ［Ｊ］．Ｍｅｃｈａｎｉｃａｌ　Ｓｙｓｔｅｍｓ　３２３７—３２４５．　ａｎｄ　Ｓｉｎｇａｌ　Ｐｒｏｃｅｓｓｉｎｇ，２００６，２０（５）：１２０２—１２２０．　【１２】高宏岩．概率神经网络在旋转机械故障诊断中的应用　【８】Ｄ　Ｆ　Ｓｐｅｃｈｔ．Ｐｒｏｂａｂｉｌｉｓｔｉｅ　Ｎｅｕｒｌａ　Ｎｅｔｗｏｒｋ［Ｊ］．Ｎｅｕｒａｌ　Ｎｅｔ．　［Ｊ］．煤矿机械，２００６，２７（５）：９１２—９１５．